Teoría 5

Anuncio
y1=A1x+B1
y= (AA)x+ (B B)
y2=A2x+B2
A= 1/2 (A1+A2); B= 1/2 (B1+B2)
A= 1/2 (A1-A2); B= 1/2 (B1-B2)
AJUSTE ANALÍTICO
y (unidades)
120
100
80
60
y=f (x)
40
20
0
0
20
40
60
80
100
x ( unidades)
¿Cómo se encuentra analíticamente y = f(x)?
Aumentando una zona del gráfico
y = f (x)
y
Pi (xi,yi)
yi
f (xi)
Di
Qi (xi,f(xi))
Di= yi –f(xi)
x
xi
Definimos:
2 es el Chi-cuadrado
χ2 = ∑Di2 =∑ [ f(xi) – yi ]2
i
método de
cuadrados mínimos
Se busca mininizar χ2
Cuadrados mínimos:
algoritmo matemático que nos permite obtener las constantes
que definen la “mejor función”. Por ej. en el caso de la recta m y b.
y = f (x) = m x + b
χ2 = ∑Di2 =∑ [ m xi +b - yi ]2
i
f(xi)
Valor
medido
Condiciones para hallar el mínimo de una función
respecto de una variable
La derivada primera de la función respecto de la
variable debe ser igual a 0 para el valor de la variable
A que minimiza la función (A0)
df/dA|A0 = 0
A0
El valor de la derivada segunda de la función para A0
debe ser mayor que cero (positiva, cóncava hacia
arriba)
d2f/dA2|A0 > 0
χ2 =∑ [ m xi +b - yi ]2
Queremos encontrar los valores de m y b que hacen mínimo
2
 2
0
m
y
 2
0
b
Un breve ejercicio algebraico nos permite obtener los valores de la
pendiente y la ordenada al origen de la “mejor recta”:
m
N  ( xi yi )   xi  yi
N  xi   xi 
2
2
 x  y   x  x y 
b
N  x   x 
2
i
i
i
i
2
2
i
i
i
La expresión para 2 puede generalizarse para
cualquier otra función:
χ2 =∑ [ f(xi) – yi ]2
Supongamos que las incertidumbres son diferentes
punto a punto y llamemos i a la asociada a yi.
En este caso definimos 2 como:
 
2
 f ( xi )  yi 2
i2
  wi  f ( xi )  yi 
Dónde los wi =1/i2 son los factores de peso
100
80
60
40
60
80
100
x ( unidades)
120
100
Y (unidades)
y (unidades)
120
80
60
40
60
80
X (unidades)
100
y (unidades)
120
100
80
60
X
y
y-err
-----------------------------0
1
0,4
10
12
1,5
20
20
2
30
27
3
40
45
2
50
51
3
60
63
4
70
68
3
80
79
2
90
95
3
100
98
4
Linear Regression for Data1_C:
Y=A+B*X
Weight given by Data1_B error bars.
Parameter
Value
Error
----------------------------------------------A
1,0635 0,38317
B
0,99724 0,01563
-----------------------------------------------R
SD
N
P
-----------------------------------------------0,99865 1,10655 11 <0.0001
------------------------------------------------
40
20
0
0
20
40
60
80
100
x ( unidades)
Qué es R?
Para definir R, primero vamos a definir el Chi reducido (o
varianza del ajuste)
 f2 
1
N  np
 ( f (x )  y )
i
2
i
np= número de parámetros de la función f
(por ejemplo si es una recta, np=2)
N = número total de medidas
Es una medida de la bondad del ajuste f(xi) a los valores medidos
Y el Chi total (o varianza total):
 t2 
1
( y  yi ) 2

N 1
Es una medida de la dispersión de los datos alrededor del valor
medio.
No depende del modelo f(xi)
Se define R (coeficiente de regresión):
 t 2   f 2 

R 
  2t 


2
Si el modelo f (x) en una buena representación de los
datos, es de esperar que tanto  como f sean pequeños
y que:
t >> f
entonces
R1
Por esto, la mejor representación será aquella que de los
valores de R más próximos a 1.
100
80
60
Linear Regression for Data1_C:
Y=A+B*X
Weight given by Data1_B error bars.
Función lineal:
Parameter
Value
Error
----------------------------------------------A
1,0635 0,38317
B
0,99724 0,01563
-----------------------------------------------R
SD
N
P
-----------------------------------------------0,99865 1,10655 11 <0.0001
------------------------------------------------
R = 0,99865
40
20
0
0
20
40
60
80
100
x ( unidades)
120
y (unidades)
y (unidades)
120
100
80
60
Polynomial Regression for Data1_C:
Y = A + B1*X + B2*X^2
Weight given by Data1_B error bars.
Parameter
Value Error
-----------------------------------------------A
1,01048
0,3934
B1
1,02979
0,05693
B2
-4,26158E-4
7,16721E-4
-------------------------------------------------R-Square(COD)SD
N
P
-------------------------------------------------0,99739
1,1547 11 <0.0001
--------------------------------------
Función
cuadrática:
R = 0,99739
40
20
C
Polynomial Fit of Data1_C
0
0
20
40
60
80
100
x ( unidades)
y (unidades)
120
100
80
60
Función
exponencial:
Data: Data1_C
Model: ExpGro1
Equation: y = A1*exp(x/t1) + y0
Weighting:
y
Instrumental
Chi^2/DoF
= 1.33313
R^2
= 0.99739
y0
A1
t1
1196.4629
-1195.45289
-1160.20523
±1944.90812
±1944.82096
±1950.55815
C
ExpGro1 fit of Data1_C
40
20
0
0
20
40
60
80
100
x ( unidades)
R = 0,99739
Descargar